github llama.cpp · 3 hari lalu · inference

llama.cpp menambahkan parser Ling 3.0 untuk memperbaiki penanganan panggilan alat

Diterjemahkan dari English → Bahasa Indonesia

Proyek llama.cpp telah memperkenalkan parser khusus untuk template obrolan Ling 3.0 (Bailing V3) dalam pull request #28682. Perubahan ini mengatasi masalah di mana blok berpikir yang terbuka sebelumnya dari model menyebabkan panggilan alat diklasifikasikan secara salah sebagai konten penalaran, yang mengakibatkan kegagalan loop agen.

Parser baru mengakhiri penalaran pada tag think penutup atau awal tag panggilan alat, meniru perilaku di vLLM dan SGLang. Ini mencakup pengujian komprehensif untuk blok think yang tidak ditutup, panggilan paralel, dan berbagai jenis argumen.

Pembaruan ini memastikan bahwa klien menerima panggilan alat dengan benar alih-alih konten kosong, memungkinkan loop agen berfungsi dengan baik dengan model Ling 3.0.

Kepentingan 1/3 Kepercayaan 1/3 llama.cpp Hugging Face Inference efficiency

Baca aslinya

llama.cpp b11122 memperluas fusi MMVQ GLU dan menambahkan fusi SYCL baru

Proyek llama.cpp telah merilis versi b11122, yang mencakup pembaruan signifikan untuk backend SYCL. Rilis ini memperluas fusi MMVQ GLU untuk mendukung jenis kuantisasi campuran dan memperkenalkan fusi baru untuk operasi rms_norm+scale dan ssm_conv+silu.

github llama.cpp · 14 jam lalu · 11 tayangan

llama.cpp b11111 menambahkan kernel optimasi flash attention untuk Intel Xe

Proyek llama.cpp merilis build b11111, yang memperkenalkan kernel optimasi flash attention berbasis Vulkan untuk jalur split k pada arsitektur Xe-LPG Plus, Xe2, dan Xe3.

github llama.cpp · 17 jam lalu · 9 tayangan

llama.cpp menambahkan dukungan DFlash untuk HunyuanOCR dan memperbaiki konversi draf

Proyek llama.cpp telah menambahkan dukungan untuk dekode spekulatif DFlash dengan model HunyuanOCR dengan mengekspos tensor input lapisan dalam grafik target. Perubahan ini memungkinkan model draf membaca aliran residual, sehingga permintaan gambar dapat berjalan sukses dengan tingkat penerimaan draf sekitar 0,5 dan output OCR yang identik secara byte dibandingkan dengan eksekusi non-spekulatif.

github llama.cpp · 20 jam lalu · 11 tayangan

Rilis llama.cpp b11101 memungkinkan panggilan find_package berulang untuk llama

Proyek llama.cpp telah merilis versi b11101, yang mencakup perbaikan sistem build yang memungkinkan panggilan find_package berulang untuk pustaka llama.

lab Hugging Face Blog · 21 jam lalu · 10 tayangan

Transformers menambahkan dukungan GGUF melalui kernel ggml untuk inferensi lokal

Pustaka Transformers dari Hugging Face kini mendukung pemuatan model terkuantisasi GGUF, memanfaatkan kernel ggml di bawahnya untuk membawa performa mendekati llama.cpp. Integrasi ini memungkinkan pengembang menjalankan checkpoint terkuantisasi langsung dalam API berbasis PyTorch standar pada perangkat keras yang didukung.